---
title: "Daegu Risk Zones"
format:
html:
theme: cosmo
toc: true
toc-depth: 2
code-fold: true
code-tools: true
execute:
echo: true
warning: false
message: false
freeze: auto
jupyter: python3
lang: ko
---
## 시각화
### 화재건수 시각화
```{python}
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
fire_df = pd.read_csv("./Raw Data/소방청_화재발생 정보.csv", encoding='cp949')
# 대구광역시 추출
cond1 = (fire_df['시도'] == '대구광역시')
daegu_fire_df = fire_df[cond1]
daegu_fire_df = daegu_fire_df[['화재발생년원일','시군구','화재유형','발화요인소분류','인명피해(명)소계','재산피해소계']]
daegu_fire_df['화재발생년원일'] = pd.to_datetime(daegu_fire_df['화재발생년원일'])
daegu_fire_by_type = daegu_fire_df.groupby('화재유형')[['시군구']].count().sort_values(by='시군구', ascending=False)
daegu_fire_by_type = daegu_fire_by_type.reset_index()
daegu_fire_by_type.rename(columns={'시군구': '화재건수'}, inplace=True)
daegu_fire_by_type
# 한글 폰트 설정 (윈도우 기준, mac은 'AppleGothic')
plt.rc('font', family='Malgun Gothic')
# 색상 지정: 건축,구조물만 진하게, 나머지는 연하게
color_map = ['#C62828' if x == '건축,구조물' else '#FFCDD2' for x in daegu_fire_by_type['화재유형']]
# 시각화
plt.figure(figsize=(10, 6))
sns.barplot(x='화재유형', y='화재건수', data=daegu_fire_by_type, palette=color_map)
plt.title('화재 유형별 대구화재 건수')
plt.xlabel('화재 유형')
plt.ylabel('화재 건수')
plt.xticks(rotation=0)
for i, v in enumerate(daegu_fire_by_type['화재건수']):
try:
val = float(v)
plt.text(i, val + 50, str(v), ha='center', va='bottom', fontsize=12)
except (ValueError, TypeError):
# 숫자가 아니면 표시하지 않거나 0으로 처리
pass
plt.tight_layout()
plt.show()
# 화재유형 건축,구조물 간추리고, 어디 구가 많은 화재가 일어나는지
daegu_building_fire_df = daegu_fire_df[daegu_fire_df['화재유형'] == '건축,구조물']
# daegu2
daegu_building_fire_by_gu = daegu_building_fire_df.groupby('시군구')[['화재유형']].count().sort_values(by='화재유형', ascending=False)
daegu_building_fire_by_gu = daegu_building_fire_by_gu.reset_index()
daegu_building_fire_by_gu.rename(columns={'화재유형': '화재건수'}, inplace=True)
daegu_population_df = pd.read_csv("./Data/동별인구.csv")
new_daegu_population_df = daegu_population_df[['군·구','등록인구 (명)','인구밀도 (명/㎢)','면적 (㎢)']]
new_by_gu = new_daegu_population_df.groupby('군·구').agg({
'등록인구 (명)': 'sum',
'인구밀도 (명/㎢)': 'mean',
'면적 (㎢)': 'sum'
})
new_by_gu = new_by_gu.reset_index().rename(columns={'군·구': '시군구'})
new_by_gu
# 병합
merged = pd.merge(daegu_building_fire_by_gu,new_by_gu , how='left', on='시군구')
merged['화재건수/등록인구 (명)'] = merged['화재건수']/merged['등록인구 (명)'] * 100
merged['화재건수/인구밀도 (명/㎢)'] = merged['화재건수']/merged['인구밀도 (명/㎢)']
merged['화재건수/면적 (㎢)'] = merged['화재건수']/merged['면적 (㎢)']
merged =merged.sort_values(by='화재건수/인구밀도 (명/㎢)', ascending=False)
merged
# 인구밀도 대비 화재건수 발생 비율
si_list = merged['시군구']
values = merged['화재건수/인구밀도 (명/㎢)']
x = np.arange(len(si_list))
bar_width = 0.25
# 색상 지정: 군위군, 달성군 진하게, 나머지 연하게
colors = ['#AAAAAA'] * len(si_list) # 모든 시군구 연한 회색
for idx, name in enumerate(si_list):
if name in ['군위군', '달성군']:
colors[idx] = '#1976D2' # 진한 파란색 (원하는 색으로 변경 가능)
plt.figure(figsize=(14, 6))
bars = plt.bar(x, values, color=colors, width=bar_width, label='비율')
plt.xlabel('시군구')
plt.ylabel('화재건수/인구밀도 (명/㎢)')
plt.title('시군구별 인구밀도 대비 화재건수 비율 시각화')
plt.xticks(x, si_list, rotation=45)
plt.tight_layout()
# 막대 위에 숫자 표기
for bar in bars:
height = bar.get_height()
plt.annotate(f'{height:.3f}',
xy=(bar.get_x() + bar.get_width() / 2, height),
xytext=(0, 3), # 막대 위로 3pt 이동
textcoords="offset points",
ha='center', va='bottom', fontsize=10, color='black')
plt.show()
```
### 119안전센터 및 소방용수시설 위치 시각화
```{python}
# 대구광역시 119안전센터 및 소화장치 위치 시각화
# 데이터 출처
# 대구광역시_소방 긴급구조 비상 소화장치 현황
# https://www.data.go.kr/data/15117284/fileData.do
# 소방청_119안전센터 현황
# https://www.data.go.kr/data/15065056/fileData.do
import pandas as pd
import numpy as np
import plotly.express as px
import plotly.graph_objects as go
loc_119 = pd.read_csv("./Data/대구광역시_소방서_위치.csv")
loc_fire = pd.read_csv("./Data/대구광역시_용수시설_위치.csv")
# 대구광역시 구별 소방 안전센터 시각화
import json
with open ("./Data/시각화/대구_시군구_군위포함/대구_시군구_군위포함.geojson", encoding='utf-8') as f:
geojson_data = json.load(f)
# print(geojson_data.keys())
import plotly.graph_objects as go
fig = go.Figure()
# 119안전센터(빨간점)
fig.add_trace(go.Scattermapbox(
lat=loc_119["위도"],
lon=loc_119["경도"],
mode="markers",
marker=go.scattermapbox.Marker(size=15, color="red"),
name="119안전센터", # 범례에 표시됨
hovertemplate="<b>구:</b> %{customdata[0]}<br><b>동:</b> %{customdata[1]}<extra></extra>",
customdata=loc_119[["구이름", "동이름"]].values,
))
fig.update_traces(marker=dict(size=15))
# 구별 소방 긴급구조 비상 소화장치 scatter mapbox
fig.add_trace(go.Scattermapbox(
lat=loc_fire["위도"],
lon=loc_fire["경도"],
mode="markers",
marker=go.scattermapbox.Marker(size=3, color="blue"),
name="소화장치",
hovertemplate="<b>구:</b> %{customdata[0]}<br><b>동:</b> %{customdata[1]}<extra></extra>",
customdata=loc_fire["소재지지번주소"].values,
))
fig.update_layout(
mapbox_style="carto-positron",
mapbox_layers=[
{
"sourcetype": "geojson",
"source": geojson_data,
"type": "line",
"color": "green",
"line": {"width": 1},
}
],
mapbox_center={"lat": 35.8714, "lon": 128.6014},
# zoom 값을 높이면 더 '줌인'됩니다. 지역에 따라 10~12 정도가 적당합니다.
mapbox_zoom=11,
margin={"r":0, "t":30, "l":0, "b":0},
)
fig.show()
```
### 소방서, 소방용수시설 거리 분포 시각화
```{python}
# %% 라이브러리 호출
import pandas as pd
import numpy as np
import plotly.express as px
# %% 데이터 로드
df = pd.read_csv('./Data/건축물대장_v0.5.csv')
hyd = pd.read_csv('./Data/대구광역시_용수시설_위치.csv')
#firestn = pd.read_csv('대구광역시_소방서_위치데이터.csv', encoding='cp949')
# %%
hydrant_lats = np.radians(hyd["위도"].values)
hydrant_lons = np.radians(hyd["경도"].values)
# %% 거리계산 함수 정의
def haversine_min_distance(lat1, lon1, hy_lats, hy_lons):
R = 6371000 # 지구 반지름 (m)
lat1 = np.radians(lat1)
lon1 = np.radians(lon1)
dlat = hy_lats - lat1
dlon = hy_lons - lon1
a = np.sin(dlat / 2)**2 + np.cos(lat1) * np.cos(hy_lats) * np.sin(dlon / 2)**2
c = 2 * np.arcsin(np.sqrt(a))
distances = R * c
return distances.min()
# %% min({소화전거리(m)})
df['소방용수시설거리'] = df.apply(
lambda row: haversine_min_distance(row["위도"], row["경도"], hydrant_lats, hydrant_lons),
axis=1
)
# %%
df['소방용수시설거리'].head()
# %% 소방서 데이터
firestation = pd.read_csv('./Data/대구광역시_소방서_위치.csv')
firestation.head()
# %% min({소방서거리(m)})
station_lats = np.radians(firestation["위도"].values)
station_lons = np.radians(firestation["경도"].values)
df["소방서거리"] = df.apply(
lambda row: haversine_min_distance(row["위도"], row["경도"], station_lats, station_lons),
axis=1
)
# %% 소방서거리, 소화전거리 분포 시각화
# 소방서거리 분포
fig1 = px.histogram(df, x="소방서거리", nbins=100, title="가장 가까운 소방서 거리 분포", marginal="box")
fig1.update_layout(
bargap=0.1,
xaxis_title="거리(m)",
yaxis_title="건물 수",
template='plotly_white'
)
fig1.show()
# 소화전거리 분포
fig2 = px.histogram(df, x="소방용수시설거리", nbins=100, title="가장 가까운 소방용수시설 거리 분포", marginal="box")
fig2.update_layout(
bargap=0.1,
xaxis_title="거리(m)",
yaxis_title="건물 수",
template='plotly_white'
)
fig2.show()
```
### 노령 인구 시각화
```{python}
#======================================
# 노령 인구 비율 시각화
#======================================
# 동별 노령인구 비율 시각화
import pandas as pd
import numpy as np
import plotly.express as px
import plotly.graph_objects as go
df = pd.read_csv("./Data/동별인구.csv")
new = df[['군·구', '동·읍·면', '고령자_비율','위도','경도']]
# 동별 고령자 비율 값
g2_by_dong = new.groupby(['동·읍·면'])[['고령자_비율']].sum()
g2_by_dong = g2_by_dong.sort_values(by='고령자_비율',ascending=False)
g2_by_dong.rename(columns={'고령자_비율': '고령자_평균비율'}, inplace=True)
g2_by_dong = g2_by_dong.reset_index()
# g2_by_dong.info()
import geopandas as gpd
gdf = gpd.read_file("./Data/시각화/대구_행정동/대구_행정동_군위포함.shp")
print(gdf.crs)
gdf = gdf.to_crs(epsg=4326)
# gdf.to_file("./Data/대구_행정동_군위포함.geojson", driver="GeoJSON")
import json
with open("./Data/시각화/대구_행정동/대구_행정동_군위포함.geojson", encoding='utf-8') as f:
geojson_data = json.load(f)
# print(geojson_data.keys())
# print(geojson_data['features'][0]['properties'])
# gdf 파일에 유천동이 없고 g2_by_dong 파일에 유천동이 있어 행 삭제
cond = (gdf['ADM_DR_CD'] == '유천동')
gdf[cond]
g2_by_dong.rename(columns={'동·읍·면': 'ADM_DR_NM'}, inplace=True)
cond = (g2_by_dong['ADM_DR_NM'] == '유천동')
g2_by_dong = g2_by_dong.drop(g2_by_dong[cond].index)
# 불로봉무동 이름 변경
g2_by_dong.loc[g2_by_dong['ADM_DR_NM'] == '불로봉무동', 'ADM_DR_NM'] = '불로·봉무동'
# 동별 노령인구 비율 시각화
fig = px.choropleth_mapbox(g2_by_dong,
geojson=geojson_data,
locations="ADM_DR_NM",
featureidkey="properties.ADM_DR_NM",
color="고령자_평균비율",
color_continuous_scale="Greens",
mapbox_style="carto-positron",
center={"lat":35.87702415809577, "lon":128.58970500739858},
zoom=10,
opacity=0.7,
title="대구광역시 동별 노인평균인구비율"
)
fig.update_layout(margin={"r":0,"t":30,"l":0,"b":0})
fig.show()
# ===================================
# 구별 고령자 비율 평균
g1_by_gu = new.groupby(['군·구'])[['고령자_비율']].mean()
g1_by_gu = g1_by_gu.reset_index()
g1_by_gu = g1_by_gu.sort_values(by='고령자_비율',ascending=False)
g1_by_gu.rename(columns={'군·구': 'SIGUNGU_NM', '고령자_비율': '고령자_평균비율',}, inplace=True)
import geopandas as gpd
gdf2 = gpd.read_file("./Data/시각화/대구_시군구_군위포함/대구광역시_시군구_군위포함.shp")
print(gdf2.crs)
gdf2 = gdf2.to_crs(epsg=4326)
# gdf2.to_file("./Data/대구_시군구_군위포함.geojson", driver="GeoJSON")
import json
with open("./Data/시각화/대구_시군구_군위포함/대구_시군구_군위포함.geojson", encoding='utf-8') as f:
geojson_data2 = json.load(f)
print(geojson_data2.keys())
print(geojson_data2['features'][0]['properties'])
# 구별 노령 인구 비율 시각화
fig = px.choropleth_mapbox(g1_by_gu,
geojson=geojson_data2,
locations="SIGUNGU_NM",
featureidkey="properties.SIGUNGU_NM",
color="고령자_평균비율",
color_continuous_scale="Greens",
mapbox_style="carto-positron",
center={"lat":35.87702415809577, "lon":128.58970500739858},
zoom=10,
opacity=0.7,
title="대구광역시 구별 노인평균인구비율"
)
fig.update_layout(margin={"r":0,"t":30,"l":0,"b":0})
fig.show()
```
### 건축물대장 시각화
```{python}
# %% 라이브러리 호출
import numpy as np
import pandas as pd
import plotly.graph_objects as go
import plotly.express as px
# %% check
# columns_to_check = ['Column14', 'Column15', 'Column60', 'Column61', 'Column67']
# %% 구/군 별 데이터 로드
df1 = pd.read_csv('./Raw Data/건축물대장/건축물대장_대구광역시_군위군.csv')
df2 = pd.read_csv('./Raw Data/건축물대장/건축물대장_대구광역시_남구.csv')
df3 = pd.read_csv('./Raw Data/건축물대장/건축물대장_대구광역시_달서구.csv')
df4 = pd.read_csv('./Raw Data/건축물대장/건축물대장_대구광역시_달성군.csv')
df5 = pd.read_csv('./Raw Data/건축물대장/건축물대장_대구광역시_동구.csv')
df6 = pd.read_csv('./Raw Data/건축물대장/건축물대장_대구광역시_북구.csv')
df7 = pd.read_csv('./Raw Data/건축물대장/건축물대장_대구광역시_서구.csv')
df8 = pd.read_csv('./Raw Data/건축물대장/건축물대장_대구광역시_수성구.csv')
df9 = pd.read_csv('./Raw Data/건축물대장/건축물대장_대구광역시_중구.csv')
# %% 구/군 컬럼 추가
df1['군/구'] = '군위군'
df2['군/구'] = '남구'
df3['군/구'] = '달서구'
df4['군/구'] = '달성군'
df5['군/구'] = '동구'
df6['군/구'] = '북구'
df7['군/구'] = '서구'
df8['군/구'] = '수성구'
df9['군/구'] = '중구'
# %% 구/군 별 데이터 통합
df_all = pd.concat([df1, df2, df3, df4, df5, df6, df7, df8, df9], ignore_index=True)
# %% 구조 분류 딕셔너리 정의
structure_map = {
'목조 계열': ['일반목구조', '목구조', '트러스목구조', '통나무구조'],
'조적식 구조': ['석구조', '벽돌구조', '블록구조', '시멘트블럭조', '흙벽돌조', '조적구조', '기타조적구조'],
'콘크리트 계열': ['철근콘크리트구조','콘크리트구조','프리케스트콘크리트구조','보강콘크리트조','기타콘크리트구조','라멘조'],
'철골 계열': ['일반철골구조','경량철골구조','강파이프구조','철파이프조','기타강구조','스틸하우스조','단일형강구조','철골구조','공업화박판강구조(PEB)','트러스구조',
'철골콘크리트구조','철골철근콘크리트구조','철골철근콘크리트합성구조','기타철골철근콘크리트구조'],
'조립식·판넬·기타': ['조립식판넬조', '컨테이너조'],
'기타 / 특수 구조': ['막구조', '기타구조']
}
# %% 구조 분류
def map_structure_type(name):
for group, items in structure_map.items():
if name in items:
return group
return '미분류'
df_all['구조그룹'] = df_all['구조코드명'].apply(map_structure_type)
# %% 건축 자재별 분포 시각화
structure_counts = df_all['구조그룹'].value_counts()
# 도넛차트 그리기
fig = go.Figure(data=[go.Pie(
labels=structure_counts.index,
values=structure_counts.values,
hole=0.4,
textinfo='percent+label',
hoverinfo='label+value+percent',
insidetextorientation='radial'
)])
fig.update_layout(
title_text='건축 자재별 건물 분포',
annotations=[dict(text='', x=0.5, y=0.5, font_size=18, showarrow=False)],
showlegend=True
)
fig.show()
# %% 주용도 분류 딕셔너리 정의
building_use = {
'숙박/다중이용시설': ['숙박시설', '야영장시설', '관광휴게시설'],
'공장/창고시설': ['공장','창고시설'],
'교육/복지/의료/수련': ['노유자시설', '교육연구시설', '교육연구및복지시설', '의료시설', '수련시설'],
'상업/판매/문화/업무/근린/생활편익':
['제2종근린생활시설',
'근린생활시설',
'제1종근린생활시설',
'종교시설',
'문화및집회시설',
'운동시설',
'업무시설',
'판매시설',
'위락시설',
'판매및영업시설',
'기타제1종근린생활시설',
'생활편익시설',
'소매점'],
'기반시설':
['동물및식물관련시설',
'위험물저장및처리시설',
'자원순환관련시설',
'분뇨.쓰레기처리시설',
'방송통신시설',
'자동차관련시설',
'장례시설',
'운수시설',
'교정및군사시설',
'국방,군사시설',
'발전시설',
'묘지관련시설'],
'주거':
['단독주택',
'공동주택',
'다가구주택'],
'행정/공공':
'공공용시설',
}
# %% 주용도 분류
def use_type(name):
if not isinstance(name, str):
return '미분류'
for group, items in building_use.items():
if name in items:
return group
return '미분류'
df_all['주용도그룹'] = df_all['주용도코드명'].apply(use_type)
# %% 용도별 분포 시각화
use_group_counts = df_all['주용도그룹'].value_counts()
use_group_ratio = use_group_counts / use_group_counts.sum()
# 2% 미만은 기타로 묶기
threshold = 0.02
labels = []
values = []
etc_total = 0
for label, ratio in use_group_ratio.items():
if ratio >= threshold:
labels.append(label)
values.append(use_group_counts[label])
else:
etc_total += use_group_counts[label]
# 기타 항목 추가
if etc_total > 0:
labels.append('기타')
values.append(etc_total)
# 도넛 차트 생성
fig1 = go.Figure(data=[go.Pie(
labels=labels,
values=values,
hole=0.3, # 도넛 중앙 구멍 작게 = 도넛 자체 크게
textinfo='percent+label',
hoverinfo='label+value+percent',
insidetextorientation='radial'
)])
# 레이아웃 조정
fig1.update_layout(
title_text='주용도그룹 분포 (2% 미만 기타로 통합)',
annotations=[dict(text='주용도', x=0.5, y=0.5, font_size=20, showarrow=False)],
showlegend=True,
height=600, # 높이 늘려서 크게 보기
width=700
)
fig1.show()
# %% 용도, 자재 교차 분석 시각화
cross_tab = pd.crosstab(df_all['주용도그룹'], df_all['구조그룹'])
fig2 = go.Figure()
for 구조 in cross_tab.columns:
fig2.add_trace(go.Bar(
x=cross_tab.index,
y=cross_tab[구조],
name=구조
))
# 레이아웃 설정
fig2.update_layout(
barmode='stack', # 스택형 막대
title='주용도그룹 vs 구조그룹 분포 (스택형 막대 그래프)',
xaxis_title='주용도그룹',
yaxis_title='건물 수',
legend_title='구조그룹',
template='plotly_white'
)
fig2.show()
# %% 비상용 승강기 수 분포 시각화
cond_elevator = df_all['지상층수'] >= 5
emergency = df_all[cond_elevator]
# 결측치 0으로 대치
emergency['비상용승강기수'] = emergency['비상용승강기수'].fillna(0).astype(int)
# 5개 이상은 '5개 이상'으로 범주화
def categorize_elevators(x):
return str(x) if x < 5 else '5개 이상'
emergency['비상용승강기_그룹'] = emergency['비상용승강기수'].apply(categorize_elevators)
# 그룹별 건물 수 집계
grouped = emergency['비상용승강기_그룹'].value_counts().sort_index().reset_index()
grouped.columns = ['비상용승강기수', '건물수']
# 파이차트 시각화 (파이 크기 크게 설정)
fig = px.pie(grouped,
names='비상용승강기수',
values='건물수',
title='지상 5층 이상 건물의 비상용 승강기 수 분포',
width=700, height=700, # 파이 크기 조절
color_discrete_sequence=px.colors.sequential.Magma)
# 퍼센트와 라벨 모두 표시
fig.update_traces(textinfo='percent+label',
textfont_size=16,
pull=[0.03]*len(grouped)) # 조각 약간 분리(선택)
fig.show()
# %% 사용승인일 이상값 탐색(보충 필요)
df_all['사용승인일_길이'] = df_all['사용승인일'].astype(str).str.len()
df_all['사용승인일_길이'].unique()
cond = df_all['사용승인일_길이'] == 9
df_all[cond]['사용승인일'].unique()
df_year = df_all.copy()
cond_y9 = df_year['사용승인일_길이'] == 9
df_year.loc[cond_y9, '사용승인일'] = '19' + df_year.loc[cond_y9, '사용승인일'].astype(str)
cond_y11 = df_year['사용승인일'] == '191979100.0'
df_year[cond_y11]
df_year.loc[cond_y11, '사용승인일'] = df_year.loc[cond_y11, '사용승인일'].str[2:]
df_year['사용승인일_길이'] = df_year['사용승인일'].astype(str).str.len()
cond_drop = df_year['사용승인일_길이'].isin([2, 3, 5])
df_year = df_year[~cond_drop]
df_year.loc[:, '사용승인일'] = df_year['사용승인일'].astype(str).str.strip()
# %% 사용승인일(년도) 추출
df_year.loc[:, '사용승인일(년도)'] = df_year['사용승인일'].astype(str).str[:4]
df_year['사용승인일(년도)'] = df_year['사용승인일(년도)'].astype(str).str.strip()
df_year['사용승인일(년도)'].replace('', pd.NA, inplace=True)
df_year['사용승인일(년도)'] = pd.to_numeric(df_year['사용승인일(년도)'], errors='coerce').astype('Int64')
# %% 승인연도 필터링, 연령 계산
cleaned_year = df_year.dropna(subset='사용승인일(년도)')
filltered_year = cleaned_year[cleaned_year['사용승인일(년도)'] >= 1800]
filltered_year['연령'] = 2025 - filltered_year['사용승인일(년도)']
# %% 건축물 연령 분포 시각화
bins = list(range(0, 101, 10)) + [float('inf')]
labels = [f"{i}~{i+10}년" for i in range(0, 100, 10)] + ["100년 이상"]
filltered_year['연령대'] = pd.cut(filltered_year['연령'], bins=bins, labels=labels, right=False)
# 연령대별 건물 수 집계
age_group_counts = filltered_year['연령대'].value_counts().sort_index()
# Plotly로 막대 그래프 시각화
fig5 = px.bar(
x=age_group_counts.index,
y=age_group_counts.values,
labels={'x': '연령대', 'y': '건물 수'},
title='노후화 구간별 건물 수 분포 (10년 단위)',
text=age_group_counts.values,
color=age_group_counts.values,
color_continuous_scale='Viridis'
)
fig5.update_layout(
xaxis_title="노후화 구간",
yaxis_title="건물 수",
uniformtext_minsize=8,
uniformtext_mode='hide',
bargap=0.3
)
fig5.show()
# %% 40년 이상은 한 범주로 처리한 것
bins = [0, 10, 20, 30, 40, float('inf')]
labels = ['0~10년', '10~20년', '20~30년', '30~40년', '40년 이상']
# 2. 구간화
filltered_year['연령대'] = pd.cut(filltered_year['연령'], bins=bins, labels=labels, right=False)
# 3. 집계
age_group_counts = filltered_year['연령대'].value_counts(sort=False)
# 4. 시각화
fig6 = px.bar(
x=age_group_counts.index,
y=age_group_counts.values,
labels={'x': '연령대', 'y': '건물 수'},
title='노후화 구간별 건물 수 분포 (40년 이상 묶음)',
text=age_group_counts.values,
color=age_group_counts.values,
color_continuous_scale='Viridis'
)
fig6.update_layout(
xaxis_title="노후화 구간",
yaxis_title="건물 수",
uniformtext_minsize=8,
uniformtext_mode='hide',
bargap=0.3
)
fig6.show()
# %% 용도, 노후화 교차
bins = [0, 10, 20, 30, 40, float('inf')]
labels = ['0~10년', '10~20년', '20~30년', '30~40년', '40년 이상']
filltered_year['연령대'] = pd.cut(filltered_year['연령'], bins=bins, labels=labels, right=False)
# 2. 교차표 생성: 주용도그룹 × 연령대
# cross_tab = pd.crosstab(filltered_year['주용도그룹'], filltered_year['연령대'])
cross_tab = pd.crosstab(filltered_year['주용도그룹'], filltered_year['연령대'])
# 0인 값이 모두 들어있는 열(연령대) 제거
cross_tab = cross_tab.loc[:, (cross_tab != 0).any(axis=0)]
# 0인 값이 모두 들어있는 행(주용도그룹) 제거
cross_tab = cross_tab[(cross_tab != 0).any(axis=1)]
# 3. Plotly로 교차 막대그래프 (그룹별 스택)
fig7 = px.bar(
cross_tab,
x=cross_tab.index,
y=cross_tab.columns,
labels={'value': '건물 수', '주용도그룹': '주용도 그룹', '연령대': '연령대'},
title='주용도 그룹별 연령대별 건물 수',
barmode='stack' # 누적 막대
)
fig7.update_layout(
xaxis_title='주용도 그룹',
yaxis_title='건물 수',
legend_title='연령대',
bargap=0.2
)
fig7.show()
# %%
```
### 노령 인구와 건물 노후화 상관관계
```{python}
import pandas as pd
import numpy as np
import plotly.express as px
from scipy.stats import pearsonr, spearmanr
# 데이터 불러오기
df_population = pd.read_csv("./Data/동별인구.csv")
df_population_filter = df_population[['군·구', '동·읍·면', '고령자_비율','위도','경도']]
df_building = pd.read_csv("./Data/건축물대장_v0.5.csv")
# ==============================
# 2) 동별 고령자 평균비율
# ==============================
df_pop = (
df_population_filter
.groupby(['군·구','동·읍·면'], as_index=False)['고령자_비율'].mean()
.rename(columns={'고령자_비율':'고령자_평균비율'})
)
# 행정동명 표준화(예외 처리)
df_pop['행정동명'] = df_pop['동·읍·면'].replace({'불로봉무동':'불로·봉무동'})
# ==============================
# 3) 행정동별 평균 건물 노후도 점수
# ==============================
df_bld = (
df_building
.groupby('ADM_DR_NM', as_index=False)['건물노후도점수'].mean()
.rename(columns={'건물노후도점수':'평균건물노후도점수'})
)
# ==============================
# 4) 병합
# ==============================
df_m = (
df_pop
.assign(ADM_DR_NM=df_pop['행정동명'])
.merge(df_bld, on='ADM_DR_NM', how='inner')
)
# 고령자 비율 퍼센트로 변환
if df_m['고령자_평균비율'].max() <= 1.0:
df_m['고령자_평균비율(%)'] = df_m['고령자_평균비율'] * 100
else:
df_m['고령자_평균비율(%)'] = df_m['고령자_평균비율']
# ==============================
# 5) 구/군별 상관계수 계산 함수
# ==============================
def safe_corr(x, y, method='pearson'):
x = pd.Series(x).astype(float)
y = pd.Series(y).astype(float)
mask = x.notna() & y.notna() & np.isfinite(x) & np.isfinite(y)
x, y = x[mask], y[mask]
if len(x) < 3 or x.nunique() < 2 or y.nunique() < 2:
return np.nan, np.nan, len(x)
if method == 'pearson':
r, p = pearsonr(x, y)
else:
r, p = spearmanr(x, y)
return r, p, len(x)
rows = []
for gugu, g in df_m.groupby('군·구', dropna=False):
r_p, p_p, n_p = safe_corr(g['평균건물노후도점수'], g['고령자_평균비율(%)'], 'pearson')
r_s, p_s, n_s = safe_corr(g['평균건물노후도점수'], g['고령자_평균비율(%)'], 'spearman')
rows.append({
'군·구': gugu,
'n': int(n_p),
'pearson_r': r_p,
'pearson_p': p_p,
'spearman_rho': r_s,
'spearman_p': p_s
})
corr_df = pd.DataFrame(rows)
# ==============================
# 6) 피어슨 상관계수 시각화
# ==============================
corr_df_plot = corr_df.sort_values('pearson_r', na_position='last')
fig_corr_p = px.bar(
corr_df_plot,
x='pearson_r',
y='군·구',
orientation='h',
color='pearson_r',
color_continuous_scale='RdBu',
range_color=(-1, 1),
labels={'pearson_r': '피어슨 상관계수 r', '군·구': '구/군'},
title='구/군별 상관계수 (피어슨) — 고령인구 비율 vs 평균 건물 노후도 점수'
)
fig_corr_p.add_vline(x=0, line_width=1, line_dash='dash', line_color='gray')
fig_corr_p.update_layout(margin=dict(l=80, r=30, t=60, b=40))
fig_corr_p.show()
# ==============================
# 7) 스피어만 상관계수 시각화
# ==============================
corr_df_plot_s = corr_df.sort_values('spearman_rho', na_position='last')
fig_corr_s = px.bar(
corr_df_plot_s,
x='spearman_rho',
y='군·구',
orientation='h',
color='spearman_rho',
color_continuous_scale='RdBu',
range_color=(-1, 1),
labels={'spearman_rho': '스피어만 순위상관 ρ', '군·구': '구/군'},
title='구/군별 상관계수 (스피어만) — 고령인구 비율 vs 평균 건물 노후도 점수'
)
fig_corr_s.add_vline(x=0, line_width=1, line_dash='dash', line_color='gray')
fig_corr_s.update_layout(margin=dict(l=80, r=30, t=60, b=40))
fig_corr_s.show()
# ==============================
# 8) 요약 테이블 출력
# ==============================
print(corr_df[['군·구','n','pearson_r','pearson_p','spearman_rho','spearman_p']].round(4).to_string(index=False))
```
### 노령 인구와 건물 수 상관관계
```{python}
import pandas as pd
import numpy as np
import plotly.express as px
from scipy.stats import pearsonr, spearmanr
# 데이터 불러오기
df_population = pd.read_csv("./Data/동별인구.csv")
df_population_filter = df_population[['군·구', '동·읍·면', '고령자_비율','위도','경도']]
df_building = pd.read_csv("./Data/건축물대장_v0.5.csv")
# ==============================
# 2) 동별 고령자 평균비율
# ==============================
df_pop = (
df_population_filter
.groupby(['군·구','동·읍·면'], as_index=False)['고령자_비율'].mean()
.rename(columns={'고령자_비율':'고령자_평균비율'})
)
# 행정동명 표준화(예외 처리)
df_pop['행정동명'] = df_pop['동·읍·면'].replace({'불로봉무동':'불로·봉무동'})
# ==============================
# 3) 행정동별 건물수
# ==============================
df_bld = (
df_building
.groupby('ADM_DR_NM', as_index=False)['건물노후도점수'].size()
.rename(columns={'size':'건물수'})
)
# ==============================
# 4) 병합
# ==============================
df_m = (
df_pop
.assign(ADM_DR_NM=df_pop['행정동명'])
.merge(df_bld, on='ADM_DR_NM', how='inner')
)
# 고령자 비율 퍼센트로 변환
if df_m['고령자_평균비율'].max() <= 1.0:
df_m['고령자_평균비율(%)'] = df_m['고령자_평균비율'] * 100
else:
df_m['고령자_평균비율(%)'] = df_m['고령자_평균비율']
# ==============================
# 5) 구/군별 상관계수 계산 함수
# ==============================
def safe_corr(x, y, method='pearson'):
x = pd.Series(x).astype(float)
y = pd.Series(y).astype(float)
mask = x.notna() & y.notna() & np.isfinite(x) & np.isfinite(y)
x, y = x[mask], y[mask]
if len(x) < 3 or x.nunique() < 2 or y.nunique() < 2:
return np.nan, np.nan, len(x)
if method == 'pearson':
r, p = pearsonr(x, y)
else:
r, p = spearmanr(x, y)
return r, p, len(x)
rows = []
for gugu, g in df_m.groupby('군·구', dropna=False):
r_p, p_p, n_p = safe_corr(g['건물수'], g['고령자_평균비율(%)'], 'pearson')
r_s, p_s, n_s = safe_corr(g['건물수'], g['고령자_평균비율(%)'], 'spearman')
rows.append({
'군·구': gugu,
'n': int(n_p),
'pearson_r': r_p,
'pearson_p': p_p,
'spearman_rho': r_s,
'spearman_p': p_s
})
corr_df = pd.DataFrame(rows)
# ==============================
# 6) 피어슨 상관계수 시각화
# ==============================
corr_df_plot = corr_df.sort_values('pearson_r', na_position='last')
fig_corr_p = px.bar(
corr_df_plot,
x='pearson_r',
y='군·구',
orientation='h',
color='pearson_r',
color_continuous_scale='RdBu',
range_color=(-1, 1),
labels={'pearson_r': '피어슨 상관계수 r', '군·구': '구/군'},
title='구/군별 상관계수 (피어슨) — 고령인구 비율 vs 건물수'
)
fig_corr_p.add_vline(x=0, line_width=1, line_dash='dash', line_color='gray')
fig_corr_p.update_layout(margin=dict(l=80, r=30, t=60, b=40))
fig_corr_p.show()
# ==============================
# 7) 스피어만 상관계수 시각화
# ==============================
corr_df_plot_s = corr_df.sort_values('spearman_rho', na_position='last')
fig_corr_s = px.bar(
corr_df_plot_s,
x='spearman_rho',
y='군·구',
orientation='h',
color='spearman_rho',
color_continuous_scale='RdBu',
range_color=(-1, 1),
labels={'spearman_rho': '스피어만 순위상관 ρ', '군·구': '구/군'},
title='구/군별 상관계수 (스피어만) — 고령인구 비율 vs 건물수'
)
fig_corr_s.add_vline(x=0, line_width=1, line_dash='dash', line_color='gray')
fig_corr_s.update_layout(margin=dict(l=80, r=30, t=60, b=40))
fig_corr_s.show()
# ==============================
# 8) 요약 테이블 출력
# ==============================
print(corr_df[['군·구','n','pearson_r','pearson_p','spearman_rho','spearman_p']].round(4).to_string(index=False))
```
### 종합점수 분포
```{python}
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
df = pd.read_csv('./Data/건축물대장_v0.5.csv')
plt.rcParams['font.family'] = 'Malgun Gothic'
plt.rcParams['axes.unicode_minus'] = False
# 종합점수 시각화
plt.figure(figsize=(10, 6))
sns.histplot(df["종합점수"], kde=False, bins=50, color="skyblue")
plt.title("종합점수 분포", fontsize=16)
plt.xlabel("종합점수", fontsize=12)
plt.ylabel("건물 수", fontsize=12)
plt.show()
```
### 동별 종합점수 q1q3 바깥값 시각화
```{python}
# -*- coding: utf-8 -*-
import csv, json, re
import numpy as np
import pandas as pd
import plotly.express as px
from pathlib import Path
# ================== 경로 ==================
csv_path = Path("./Data/건축물대장_v0.5.csv")
geojson_path = Path("./Data/시각화/대구_행정동/대구_행정동_군위포함.geojson")
# ========================================
# ========== 1) CSV 로드 (구분자 자동 감지) ==========
with open(csv_path, "r", encoding="utf-8", errors="ignore") as f:
sample = "".join([next(f) for _ in range(50)])
dialect = csv.Sniffer().sniff(sample, delimiters=[",", "\t", ";", "|"])
sep = dialect.delimiter
df = pd.read_csv(csv_path, sep=sep, engine="python", encoding="utf-8")
with open(geojson_path, "r", encoding="utf-8") as f:
gj = json.load(f)
# 점수 숫자화
score_col = "종합점수"
if score_col not in df.columns:
raise RuntimeError("CSV에 '종합점수' 컬럼이 없습니다.")
df[score_col] = pd.to_numeric(df[score_col], errors="coerce")
# ========== 2) 이름 정규화 및 _key 심기 ==========
def norm_name(x):
if pd.isna(x): return None
s = str(x)
s = re.sub(r"\s+", "", s) # 공백 제거
s = re.sub(r"[(){}\[\]-]", "", s) # 괄호/하이픈 제거
s = s.replace("ㆍ", "")
return s
CSV_KEY = "ADM_DR_NM" # CSV 동명
GJ_KEY = "ADM_DR_NM" # GeoJSON 동명 (파일에 맞게)
if CSV_KEY not in df.columns:
raise RuntimeError(f"CSV에 '{CSV_KEY}' 컬럼이 없습니다.")
if not gj.get("features"):
raise RuntimeError("GeoJSON features가 비어 있습니다.")
df["_key"] = df[CSV_KEY].map(norm_name)
for feat in gj["features"]:
props = feat.get("properties", {}) or {}
props["_key"] = norm_name(props.get(GJ_KEY))
feat["properties"] = props
# (선택) 매칭 진단
df_keys = set(df["_key"].dropna().unique())
gj_keys = {feat["properties"].get("_key") for feat in gj["features"] if feat.get("properties")}
print(f"[매칭진단] CSV만 있는 동 수: {len(df_keys - gj_keys)}, GeoJSON만 있는 동 수: {len(gj_keys - df_keys)}")
# ========== 3) 동별 평균 계산 ==========
# hover용 원본 동명 매핑
name_map = (df[[CSV_KEY, "_key"]]
.dropna()
.drop_duplicates()
.groupby("_key")[CSV_KEY]
.first()
.reset_index()
.rename(columns={CSV_KEY: "행정동명"}))
df_mean = (df.dropna(subset=["_key", score_col])
.groupby("_key", as_index=False)[score_col]
.mean()
.rename(columns={score_col: "동별_평균점수"}))
df_mean = df_mean.merge(name_map, on="_key", how="left")
# ========== 4) Q1/Q3 계산 (동별 평균 분포 기준) ==========
Q1 = df_mean["동별_평균점수"].quantile(0.25)
Q3 = df_mean["동별_평균점수"].quantile(0.75)
print(f"[분위수] Q1={Q1:.4f}, Q3={Q3:.4f}")
# 구간 라벨링: Q1 밖(녹), Q1~Q3(연회색), Q3 밖(빨)
df_mean["구간"] = np.select(
[df_mean["동별_평균점수"] < Q1, df_mean["동별_평균점수"] > Q3],
["Q1밖(낮음)", "Q3밖(높음)"],
default="Q1~Q3"
)
# ========== 5) Choropleth (세 구간 모두 색칠) ==========
color_map = {
"Q1밖(낮음)": "#2ecc71", # green
"Q1~Q3": "#e0e0e0", # light gray
"Q3밖(높음)": "#e74c3c", # red
}
fig = px.choropleth_mapbox(
df_mean, # 전체(세 구간)
geojson=gj,
locations="_key",
featureidkey="properties._key",
color="구간",
color_discrete_map=color_map,
category_orders={"구간": ["Q1밖(낮음)", "Q1~Q3", "Q3밖(높음)"]},
hover_name="행정동명",
hover_data={"동별_평균점수":":.2f", "구간": True},
mapbox_style="open-street-map",
opacity=0.88,
center={"lat": 35.8714, "lon": 128.6014}, # 대구 중심 근처
zoom=9,
)
fig.update_layout(
margin=dict(l=0, r=0, t=40, b=0),
title=f"동별 평균 종합점수 Q1~Q3 포함 색칠 (Q1={Q1:.2f}, Q3={Q3:.2f})",
legend_title_text="구간"
)
fig.show()
```
### 동별 종합점수 평균 지도 시각화
```{python}
import json, re
import pandas as pd
import plotly.express as px
from pathlib import Path
import numpy as np
# 경로
csv_path = Path("./Data/건축물대장_v0.5.csv")
geojson_path = Path("./Data/시각화/대구_행정동/대구_행정동_군위포함.geojson")
# 1) 데이터 로드
df = pd.read_csv(csv_path)
df.loc[df["ADM_DR_NM"].isna(), "대지위치"]
with open(geojson_path, "r", encoding="utf-8") as f:
gj = json.load(f)
df["종합점수"] = pd.to_numeric(df["종합점수"], errors="coerce")
# 2) 정규화 함수
def norm_name(x):
if pd.isna(x): return None
s = str(x)
s = re.sub(r"\s+", "", s)
s = re.sub(r"[(){}\[\]-]", "", s)
s = s.replace("ㆍ", "")
return s
# 3) 컬럼
CSV_KEY = "ADM_DR_NM" # CSV의 행정동명
GJ_KEY = "ADM_DR_NM" # GeoJSON의 행정동명 (보통 소문자)
# 4) 키 만들기 (정규화)
df["_key"] = df[CSV_KEY].map(norm_name)
for feat in gj["features"]:
props = feat.get("properties", {}) or {}
props["_key"] = norm_name(props.get(GJ_KEY))
feat["properties"] = props
# 5) 동별 평균 계산
df_avg = (
df.dropna(subset=["_key"])
.groupby("_key", as_index=False)["종합점수"]
.mean()
.rename(columns={"종합점수": "종합점수_평균"})
)
# 6) 색상 스케일 (하양→빨강)
white_to_red = [
[0.0, "#ffffff"],
[1.0, "#ff0000"]
]
vmin = float(df_avg["종합점수_평균"].min())
vmax = float(df_avg["종합점수_평균"].max())
# 7) 시각화
fig = px.choropleth_mapbox(
df_avg,
geojson=gj,
locations="_key", # DF의 키
featureidkey="properties._key", # GeoJSON의 키
color="종합점수_평균",
color_continuous_scale=white_to_red,
range_color=(vmin, vmax),
mapbox_style="open-street-map",
opacity=0.75,
center={"lat": 35.8714, "lon": 128.6014},
zoom=9,
hover_name="_key",
hover_data={"종합점수_평균":":.2f"}
)
fig.update_layout(margin=dict(l=0,r=0,t=40,b=0), title="동별 점수평균 지도 시각화")
fig.show()
```
